通过上下文检索实现的Pareto最优开源大语言模型用于医疗保健
人工智能
2025-04-04 v3
摘要
本研究利用优化后的上下文检索技术，提升开源大语言模型（LLM）在医疗保健领域的性价比与性能。我们展示，该方法在医学问答任务上实现了领先的准确率，且成本远低于专有模型，显著改善了在MedQA基准测试上的成本-准确率Pareto前沿。关键贡献包括：（1）OpenMedQA—a 新的基准，揭示开放式医学问答相较于多选格式存在的性能差距；（2）一个实用且可复现的上下文检索优化管道；（3）开源资源（Prompt Engine、CoT/ToT/Thinking数据库），旨在赋能医疗AI开发。通过推进检索技术与问答评估，我们使医疗领域的更具 affordability 和可靠性的LLM解决方案成为可能。
引用
@article{arxiv.2409.15127,
title = {Pareto-Optimized Open-Source LLMs for Healthcare via Context Retrieval},
author = {Jordi Bayarri-Planas and Ashwin Kumar Gururajan and Dario Garcia-Gasulla},
journal= {arXiv preprint arXiv:2409.15127},
year = {2025}
}
备注
14 pages, 3 figures, 5 tables, Accepted for publication at the 21st International Conference on Artificial Intelligence Applications and Innovations (AIAI 2025)